基于分割的ECG图像关键组件提取：一种精确分类与数字化的框架

心电图（ECG）的物理纸质版记录蕴含着关于心血管疾病（CVDs）历史与多样性的宝贵信息。开发能够将这些图像数字化并进行分类的算法，有望显著提升我们对心血管疾病的认知与诊疗水平，尤其在代表性不足和医疗资源匮乏的人群中具有重要意义。作为2024年乔治·B·莫迪（George B. Moody）PhysioNet挑战赛的一部分，我们提出了一种基于深度学习的方法，用于心电图图像的数字化与分类。本方法采用深度学习分割模型提取关键特征成分，进而用于训练分类模型，实现心血管疾病的检测与信号数字化。我们团队BAPORLab在数字化任务中取得了5.493的信噪比，位列第二；在分类任务中，宏平均F1分数达到0.730，排名第三。